SkillWeaver: Agentes Web Podem se Aprimorar ao Descobrir e Refinar Habilidades

SkillWeaver: Web Agents can Self-Improve by Discovering and Honing Skills

April 9, 2025

Autores: Boyuan Zheng, Michael Y. Fatemi, Xiaolong Jin, Zora Zhiruo Wang, Apurva Gandhi, Yueqi Song, Yu Gu, Jayanth Srinivasa, Gaowen Liu, Graham Neubig, Yu Su

cs.AI

Resumo

Para sobreviver e prosperar em ambientes complexos, os seres humanos desenvolveram mecanismos sofisticados de autodesenvolvimento por meio da exploração do ambiente, abstração hierárquica de experiências em habilidades reutilizáveis e construção colaborativa de um repertório de habilidades em constante crescimento. Apesar dos avanços recentes, os agentes autônomos na web ainda carecem de capacidades cruciais de autodesenvolvimento, enfrentando dificuldades com a abstração de conhecimento procedural, refinamento de habilidades e composição de habilidades. Neste trabalho, apresentamos o SkillWeaver, uma estrutura centrada em habilidades que permite que os agentes se autodesenvolvam sintetizando autonomamente habilidades reutilizáveis como APIs. Diante de um novo site, o agente descobre habilidades de forma autônoma, as executa para praticar e destila as experiências de prática em APIs robustas. A exploração iterativa expande continuamente uma biblioteca de APIs leves e plug-and-play, aprimorando significativamente as capacidades do agente. Experimentos no WebArena e em sites do mundo real demonstram a eficácia do SkillWeaver, alcançando melhorias relativas nas taxas de sucesso de 31,8% e 39,8%, respectivamente. Além disso, APIs sintetizadas por agentes fortes aprimoram substancialmente agentes mais fracos por meio de habilidades transferíveis, resultando em melhorias de até 54,3% no WebArena. Esses resultados demonstram a eficácia de aprimorar diversas interações com sites em APIs, que podem ser compartilhadas de forma contínua entre vários agentes da web.

English

To survive and thrive in complex environments, humans have evolved sophisticated self-improvement mechanisms through environment exploration, hierarchical abstraction of experiences into reuseable skills, and collaborative construction of an ever-growing skill repertoire. Despite recent advancements, autonomous web agents still lack crucial self-improvement capabilities, struggling with procedural knowledge abstraction, refining skills, and skill composition. In this work, we introduce SkillWeaver, a skill-centric framework enabling agents to self-improve by autonomously synthesizing reusable skills as APIs. Given a new website, the agent autonomously discovers skills, executes them for practice, and distills practice experiences into robust APIs. Iterative exploration continually expands a library of lightweight, plug-and-play APIs, significantly enhancing the agent's capabilities. Experiments on WebArena and real-world websites demonstrate the efficacy of SkillWeaver, achieving relative success rate improvements of 31.8% and 39.8%, respectively. Additionally, APIs synthesized by strong agents substantially enhance weaker agents through transferable skills, yielding improvements of up to 54.3% on WebArena. These results demonstrate the effectiveness of honing diverse website interactions into APIs, which can be seamlessly shared among various web agents.